2月11日，许多用户发现DeepSeek在网页端和App端悄然进行了一次重要更新。尽管官方并未发布正式公告，但这次“灰度测试”式的升级，凭借其核心能力的大幅提升，迅速引发了业界的广泛关注。
最引人注目的变化是，新模型的上下文处理能力从原有的128K Token一举跃升至1M（百万）Token级别，增长近8倍。这意味着模型可以一次性处理约150万汉字的超长文本。根据用户和媒体的实测，新模型能够轻松处理整部《简爱》（约24万Token）乃至合计约90万字的《三体》三部曲全集，在几分钟内完成阅读和分析。这一升级显著突破了长文本处理的行业瓶颈，使得律师快速分析上百页卷宗、研究员一次性梳理大量文献等应用场景成为可能。同时，模型的知识库也更新至2025年5月，使其对近期的事件和知识有了更准确的认知。不过，当前版本仍是纯文本模型，尚不支持图片、音视频等多模态输入。
这次长文本能力的飞跃并非凭空而来，而是建立在DeepSeek一系列技术创新的基础之上。此前发布的DeepSeek-V3.2实验版模型中，首次引入了名为“DeepSeek稀疏注意力”（DeepSeek Sparse Attention, DSA）的全新机制。该技术源于DeepSeek与北京大学合作的学术研究，通过一个高效的“闪电索引器”，让模型在处理长文本时，不再需要让每个文字单元（Token）关注序列中的所有其他单元，而是智能地只关注其中最重要的一小部分。这一创新将核心计算的复杂度从指数级增长（O(L²)）降低至接近线性增长（O(Lk)），在几乎不影响性能的前提下，大幅提升了长文本训练和推理的效率。得益于DSA技术带来的成本节约，DeepSeek也同步大幅下调了其API价格，降幅超过50%，进一步降低了开发者使用先进AI技术的门槛。
在长文本处理之外，DeepSeek近期还公布了多项备受瞩目的技术探索。其中，“上下文光学压缩”（Contextual Optical Compression）技术尤为亮眼，被应用于其开源的DeepSeek-OCR模型中。该技术思路新颖，它将文本内容渲染成图像，利用视觉信息的高密度特性，用少量视觉Token来表示原本需要大量文本Token的内容，实现了信息的有效“压缩”。例如，在压缩率小于10倍时，OCR解码准确率仍高达97%。这种“用二维视觉压缩一维文字”的方法，被一些观察者评价为“AI的JPEG时刻”，为解决大模型算力难题开辟了新路径。其后续的DeepSeek-OCR 2版本则引入了“视觉因果流”概念，让模型能像人一样，根据文档的语义逻辑动态调整阅读顺序，而非机械地从左到右扫描，进一步提升了对复杂版式文档的理解能力。
而在模型性能的实际表现上，DeepSeek系列模型也获得了不少用户的积极评价。有用户测试发现，其在编程能力上表现突出，例如在生成六边形内小球弹跳的物理模拟代码、交互式3D粒子星系等任务上，代码完成度和细节处理都相当出色。在一些编程基准测试中，其表现甚至超过了一些知名的闭源模型。此外，在处理逻辑推理题（如“牛吃草”问题）和需要广博知识的冷门问题（如“冰岛有蚊子吗”）时，模型也展现了清晰的逻辑和准确的信息储备。当然，模型也并非完美，一些用户指出其在创意写作方面仍有提升空间，生成的文本有时会带有较重的“AI味”，存在意象堆砌、信息密度过高等问题。
此次2月11日的更新，也引发了外界对DeepSeek下一代旗舰模型V4的广泛猜测。此前，已有开发者在DeepSeek的开源代码库中发现了一个名为“MODEL1”的神秘模型标识符。代码分析显示，该模型在键值缓存（KV Cache）布局、稀疏性处理等方面与现有V3.2架构存在显著差异，很可能是一次彻底的架构重构。结合DeepSeek近期发布的mHC（流形约束超连接）和Engram（条件记忆模块）等旨在优化训练效率与推理成本的底层架构论文，业内普遍认为，这些技术突破或许正是为即将到来的V4模型铺路。Engram模块通过将静态知识与动态计算解耦，释放昂贵的GPU内存，被认为是突破“内存瓶颈”的关键创新。
综合来看，2月11日上线的DeepSeek新模型，以其百万级上下文窗口和更新的知识库，展示了其在长文本处理领域的重大突破。这一升级的背后，是DSA稀疏注意力等一系列底层技术创新的有力支撑。同时，DeepSeek在视觉压缩、模型架构等方面的持续探索，以及在编程、推理等任务上的扎实表现，都让外界对其未来发展充满期待。这次低调的更新，既是一次实实在在的能力升级，也被视为其下一代旗舰模型问世前的一次重要预演。
